Please enable JavaScript.
Coggle requires JavaScript to display documents.
3.Sieci neurownoe w modelowaniu obiektów dynamicznych - Coggle Diagram
3.Sieci neurownoe w modelowaniu obiektów dynamicznych
Sieci neuronowe umieją modelować skomplikoane zjawiska, ponieważ potrafią się uczyć i generalizować wiedzę
Gromadzą dane, a następnie pokazują jak koształtuje się szukana zależność
Cechy
Implementacja możliwa na dedykowanym sprzęcie
Podczas procesu uczenia sieci neuronowe generalizują nowe dane
Równoległe przetwarzanie - sieci neuronowe posiadaja równoległą i prostą strukturę, która składa się z wileu elementów przetwarzających
SIeci neuronowe posiadają wiele wejśc i wyjść co ułatwia modelowanie systemów z wieloma zmiennymi
Sieci neuronowe to uniwersalne aproksymatory - każda ciągła, nieliniowa funkcja moze byc przyblizona za pomcą wielowarstwowej sieci z przynajmniej jedną warstwą
W zależności od poziomu wiedzy a priori, podejście do modelowania moze byc różne
Polega na modelowaniu struktut black-box przez co mozliwe jest reprezentowanie systemów które są skomplikowane i trudne do opisania
MLP
Wielowarstwowy perceptron (multilayer perceptron) jest jedną z popularniejszych architektur sieci neuronowych
Zwykle składają się z jednej warstwy wejściowej, kliku ukrytych oraz jednej warstwy wyjściowej
Warstwy ukryte najczęściej składają sie z neuronów McCullocha-Pittsa
Ustalenie włąsciwej liczy neuronów to trudne zagadnienie skierowane do tworcy sieci
NNFIR i NNARX
Są to predyktory modeli FIR i ARX
Predyktory i liniowe odpowiedniki są zawsze stabilne bo jest to czysto algebraiczna relacja
NNARX jest często stosowny dla systemów deterministycznych lub z dużymi zakłóceniami ze względu na stabilność